从通用分割到专用化建筑物提取——SAM在高分遥感影像中的优化策略研究
Abstract
目的针对传统高分辨率影像建筑物提取方法的精度瓶颈，SAM（segment anything model）模型虽然具有分割优势，却因训练域差异和人工提示依赖，无法直接应用于大规模遥感影像的自动化提取。为此，提出一种无提示—判别联合模型（SAM-Classifier），实现了通用视觉模型向遥感场景的迁移，完成了建筑物的自动化高效提取。方法本研究采用了一系列实验来系统探究不同提示方式（包括点提示、框提示和掩码提示）在SAM模型指导下的建筑物提取效果，并引入一个无需提示的联合模型——SAM-Classifier，以克服传统SAM模型在语义理解和提示依赖方面的限制。实验基于3个公开可用的数据集进行，以全面评估各种提示策略下SAM模型的表现。此外，为了比较不同解决方案在建筑物提取任务中的性能差异，还特别设计了对比实验，将SAM模型及SAM-Classifier的结果与商汤科技开发的遥感大模型（Sense Earth 3.0）进行了详细的对比分析。结果实验表明，框提示引导下的 SAM分割表现最优（WHU数据集F1分数0.945）；所提出的SAM-Classifier 无需人工提示，Ma数据集F1分数0.717，与对比的先进方法性能相近。结论本文提出 SAM-Classifier，通过融合轻量级分类器实现无需提示的端到端建筑物提取，有效缓解了SAM的语义理解不足与提示依赖问题，为遥感影像的自动化解译提供了新方案。
Fields of Study & Subjects
Automated Road and Building Extraction
Remote-Sensing Image Classification
Advanced Neural Network Applications
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 2
- Pages
- 642–656
- Publication date
- 1 January 2026
- Language
- EN